基于多策略范围搜索代价体金字塔网络的多视图立体匹配
计算机视觉与模式识别
2022-07-26 v1
摘要
多视图立体是计算机视觉中的重要研究任务，但仍具挑战性。近年来，基于深度学习的方法在该任务上展现出优越性能。基于代价体金字塔网络的方法以由粗到细的方式逐步细化深度图，在消耗更少内存的同时取得了令人满意的结果。然而，这些方法未能充分考虑各阶段代价体的特性，导致对每个代价体阶段采用相似的范围搜索策略。本工作中，我们提出一种新颖的基于代价体金字塔的网络，针对多视图立体采用不同的搜索策略。通过选择不同的深度范围采样策略并应用自适应单峰滤波，我们能够在低分辨率阶段获得更精确的深度估计，并迭代地将深度图上采样至任意分辨率。我们在 DTU 与 BlendedMVS 数据集上进行了大量实验，结果表明我们的方法优于大多数最先进（SOTA）方法。
引用
@article{arxiv.2207.12032,
title = {Cost Volume Pyramid Network with Multi-strategies Range Searching for Multi-view Stereo},
author = {Shiyu Gao and Zhaoxin Li and Zhaoqi Wang},
journal= {arXiv preprint arXiv:2207.12032},
year = {2022}
}
备注
Accepted by CGI2022